GPT-5.3-Codex vs o3
詳しいプロフィール:GPT-5.3-Codex(OpenAI)とo3(OpenAI)。すべてのベンチマーク、価格、順位を掲載しています。
更新 · 16件の情報源のデータ
2026年11月16日時点で、GPT-5.3-Codexとo3の品質は互角です(BenchLeader Indexで62.9 対 60.4、±7.7の誤差範囲内)。価格はo3の方が1.4倍安く、100万トークンあたりのブレンド価格で$3.50 対 $4.81です。両方を測定できるすべてのカテゴリでGPT-5.3-Codexがリードしています。o3の方が出力が約1.5倍速いです。
要点(2026年11月16日時点)
- BenchLeader IndexはGPT-5.3-Codexが62.9、o3が60.4です(BenchLeader、2026年11月16日)。
- GPT-5.3-Codexの100万トークンあたりのブレンド価格は$4.81です(定価、2026年11月16日)。
- o3の100万トークンあたりのブレンド価格は$3.50です(定価、2026年11月16日)。
- o3はGPT-5.3-Codexより出力が約1.5倍速いです(Artificial Analysis、7日間の中央値、2026年11月16日)。
- 両モデルに結果がある9件のベンチマークのうち、GPT-5.3-Codexが9件でリードしています(BenchLeader、2026年11月16日)。
用途別のおすすめ
おすすめ側の数値を先に示しています。カテゴリスコアはBenchLeaderの尺度(50が平均的なモデル、15ポイントが1標準偏差)です。標準偏差の半分以上の差があれば信頼度「高」、1ポイント未満の差は「どちらでも」としています。
| 用途 | おすすめ | 理由 | 信頼度 |
|---|---|---|---|
| コーディング | GPT-5.3-Codex | カテゴリスコア61 対 60 | 中 |
| エージェント・ツール利用 | GPT-5.3-Codex | カテゴリスコア80 対 70;Terminal-Bench Hard 53.0% 対 37.1% | 高 |
| 長い文書 | GPT-5.3-Codex | カテゴリスコア66 対 62;AA-LCR v1.1 83.3% 対 74.7% | 中 |
| 画像などのメディア | GPT-5.3-Codex | カテゴリスコア61 対 53;MMMU-Pro 78.5% 対 70.1% | 高 |
| 指示への追従 | GPT-5.3-Codex | カテゴリスコア74 対 65;IFBench 75.4% 対 71.4% | 高 |
| チャットの質(人間の評価) | – | Arenaの評価があるのはo3のみです(カテゴリスコア61) | 比較不可 |
| 最低コスト | o3 | 100万トークンあたりブレンド価格$3.50 対 $4.81;エージェント型コーディングセッション$0.152 対 $0.161 | – |
| 回答開始の速さ | o3 | 最初の回答トークンまで5.2秒(o3)対 38.2秒(GPT-5.3-Codex (xhigh)) | – |
| 低予算での大量処理 | フラッグシップ以外 | 小型モデルの方が適していることがほとんどです:安くて優秀なLLM、最速のLLM | – |
主な違い
- GPT-5.3-Codex (xhigh)とo3の品質は互角です(62.9 対 60.4、±7.7の誤差範囲内)。
- GPT-5.3-Codex (xhigh)はエージェント・ツール、コーディング、指示追従、長文コンテキスト、マルチモーダルで優れています。
- o3の方が1.4倍安くなっています(100万トークンあたりブレンド価格$3.50 対 $4.81)。
- o3の方が出力が1.4倍速くなっています(131 対 94トークン/秒)。
概要
| 仕様 | GPT-5.3-Codex | o3 |
|---|---|---|
| プロバイダー | OpenAI | OpenAI |
| リリース日 | 2026年2月5日 | 2025年4月16日 |
| コンテキストウィンドウ(トークン) | 400,000 | 200,000 |
| 比較した構成 | GPT-5.3-Codex (xhigh) | o3 |
| オープンウェイト | なし | なし |
| 100万トークンあたりの価格(入力/出力/キャッシュ入力) | $1.75 / $14.00 / $0.175 | $2.00 / $8.00 / $0.500 |
カテゴリ別の比較
カテゴリスコアはBenchLeaderの尺度で、50が評価対象モデルの平均、15ポイントが1標準偏差です。1ポイント未満の差は互角としています。
| カテゴリ | GPT-5.3-Codex (xhigh) | o3 | トップ |
|---|---|---|---|
| 推論 | – | 60.9 | 比較不可 |
| コーディング | 61.0 | 59.8 | GPT-5.3-Codex |
| エージェント・ツール | 80.1 | 70.3 | GPT-5.3-Codex |
| 数学 | – | 70.6 | 比較不可 |
| 知識 | – | 56.2 | 比較不可 |
| 指示追従 | 73.6 | 65.2 | GPT-5.3-Codex |
| 人間の評価 | – | 61.0 | 比較不可 |
| マルチモーダル | 60.8 | 52.8 | GPT-5.3-Codex |
| 長文コンテキスト | 66.4 | 61.9 | GPT-5.3-Codex |
1つのグラフで比較
各分野をIndexと同じ尺度(平均的なモデルが50)で示しています。分野をクリックすると、その元になったベンチマークが表示されます。 リストから最大5モデルまで選べます。
描画していないもの(測定済みのモデルが2つ未満):推論, 数学, 知識, 人間の評価。
情報源で評価が分かれる点
両方に結果がある9件のベンチマークのうち、GPT-5.3-Codexのリードが9件、o3のリードが0件です。
| 総合Index | GPT-5.3-Codex (xhigh) | o3 | トップ |
|---|---|---|---|
| BenchLeader Index | 62.9 | 60.4 | 互角 |
公開元ごとにタスク、評価環境、エフォートの設定が異なるため、総合的な評価が食い違うことがあります。BenchLeaderはそれらを1つの尺度にそろえています。†は同じモデルの別のエフォート設定での測定値です(公開元がここで比較している設定をテストしていないため)。
価格・速度・レイテンシ
定価は、出力1トークンにつき入力3トークンの比率でブレンドしています。タスクあたりの価格は、算出方法のページに記載したトークン数で計算しています。ベンチマークのタスクあたりのコスト、トークン数、時間は実測値で、Artificial AnalysisのIntelligence Index全体の平均です。
| 指標 | GPT-5.3-Codex (xhigh) | o3 |
|---|---|---|
| 100万トークンあたりのブレンド価格 | $4.81 | $3.50 |
| 100万トークンあたりの入力/出力 | $1.75 / $14.00 | $2.00 / $8.00 |
| 100万トークンあたりのキャッシュ入力 | $0.175 | $0.500 |
| タスクあたりの価格:チャットの返答 | $0.0049 | $0.0032 |
| タスクあたりの価格:30ページのレポートを要約 | $0.029 | $0.029 |
| タスクあたりの価格:コード編集 | $0.032 | $0.024 |
| タスクあたりの価格:エージェント型コーディングセッション | $0.161 | $0.152 |
| タスクあたりの価格:構造化データの抽出 | $0.0063 | $0.0056 |
| エージェント型コーディングセッション(入力の大半がキャッシュ) | $0.090 | $0.085 |
| 出力速度 | 94 tok/s | 131 tok/s |
| 回答開始までの時間 | 38.2秒 | 5.2秒 |
| 回答が完了するまでの時間(最終測定2026年11月13日) | 97.1秒 | 17.3秒 |
各モデルは、ランキングで最も高い推論エフォートの設定で比較しています。GPT-5.3-Codex (xhigh)のスコアは62.9、最初の回答トークンまで38秒。o3のスコアは60.4、最初の回答トークンまで5秒。o3 (high)は55.1(5秒)、o3 (medium)は53.3(5秒)。推論エフォートを上げるほど回答前の思考が長くなり、スコアは上がる一方で待ち時間と課金トークンも増えます。 推論エフォートでスコアとコストはどう変わるか
全ベンチマーク
104件のベンチマークをカテゴリ別に並べています。名前をクリックすると、そのボードと上位モデルを表示します。†は同じモデルの別のエフォート設定での測定値で、参考として表示しており、勝ち数には含めていません。
| 指標 | 公開元 | GPT-5.3-Codex (xhigh) | o3 |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 62.9 | 60.4 |
| エージェント・ツールスコア | BenchLeader | 80.1 | 70.3 |
| コーディングスコア | BenchLeader | 61.0 | 59.8 |
| 指示追従スコア | BenchLeader | 73.6 | 65.2 |
| 長文コンテキストスコア | BenchLeader | 66.4 | 61.9 |
| マルチモーダルスコア | BenchLeader | 60.8 | 52.8 |
| 人間の評価スコア | BenchLeader | – | 61.0 |
| 知識スコア | BenchLeader | – | 56.2 |
| 数学スコア | BenchLeader | – | 70.6 |
| 推論スコア | BenchLeader | – | 60.9 |
| ブレンド価格($/100万トークン) | BenchLeader | $4.81 | $3.50 |
| 出力速度 | BenchLeader | 94 tok/s | 131 tok/s |
| 回答開始までの時間 | BenchLeader | 38.2秒 | 5.2秒 |
| コンテキストウィンドウ | BenchLeader | 400,000トークン | 200,000トークン |
| 推論 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | – | 81.8%† |
| Humanity's Last Exam | Scale AI / CAIS | – | 20.3%† |
| SimpleBench | SimpleBench | – | 53.1%† |
| Arena Hard Prompts | Arena (LMArena) | – | 1441 |
| GPQA Diamond (AA) | Artificial Analysis | 91.5% | 82.7% |
| Humanity's Last Exam (AA) | Artificial Analysis | 42.5% | 20.1% |
| GPQA Diamond (Vals) | Vals AI | – | 84.1%† |
| Kagi LLM Benchmark | Kagi LLM Benchmark | – | 67.6% |
| GPQA Diamond (HELM) | HELM Capabilities | – | 75.3% |
| ARC-AGI-1 | ARC Prize | – | 60.8%† |
| ARC-AGI-2 | ARC Prize | – | 6.5%† |
| CritPt | Artificial Analysis | 16.9% | 1.1% |
| SciPredict | Scale AI SEAL | – | 17.9% |
| Arena Expert | Arena (LMArena) | – | 1448 |
| Chess Puzzles | Epoch AI Benchmarking Hub | – | 36.0%† |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | – | 29.0%† |
| CL-bench | Epoch AI Benchmarking Hub | – | 17.8%† |
| LMCA | Epoch AI Benchmarking Hub | – | 39.7%† |
| DTBench | Epoch AI Benchmarking Hub | – | 84.8%† |
| ForecastBench | ForecastBench | – | 64.3% |
| コーディング | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | 74.8%† | 62.3%† |
| WeirdML | WeirdML | 77.9% | 52.4%† |
| GSO-Bench | GSO-Bench | – | 8.8%† |
| Arena Coding | Arena (LMArena) | – | 1460 |
| Arena WebDev | Arena (LMArena) | 1406† | – |
104件のベンチマークをすべて表示
| 指標 | 公開元 | GPT-5.3-Codex (xhigh) | o3 |
|---|---|---|---|
| コーディング | |||
| LiveCodeBench | Vals AI | 87.3% | 83.9%† |
| IOI | Vals AI | 53.8% | – |
| SWE-bench (Vals) | Vals AI | 78.0% | – |
| Aider Polyglot | Aider polyglot leaderboard | – | 76.9% |
| SWE-bench Verified (bash only) | SWE-bench | – | 58.4% |
| SWE-bench Verified (any scaffold) | SWE-bench | – | 58.4% |
| Vibe Code Bench v1.1 | Vals AI | 61.8% | – |
| CadEval | Epoch AI Benchmarking Hub | – | 74.0%† |
| ALE-Bench | Epoch AI Benchmarking Hub | 1655.2 | 933.5† |
| GameBench 2 Overall | DuelLab GameBench 2 | – | 34.1 |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | – | 30.4† |
| Design Arena Website | Design Arena | 1155† | 1028 |
| LiveCodeBench (AA) | Artificial Analysis | – | 80.8% |
| エージェント・ツール | |||
| Terminal-Bench | Terminal-Bench | 78.4%† | – |
| GDPval | OpenAI | – | 30.8%† |
| Terminal-Bench Hard | Artificial Analysis | 53.0% | 37.1% |
| τ²-Bench Telecom (AA) | Artificial Analysis | 86.0% | 80.7% |
| HiL-Bench | Scale AI SEAL | 4.3%† | – |
| BFCL Overall | Berkeley Function Calling Leaderboard | – | 63.0% |
| Terminal-Bench 2.0 (Vals) | Vals AI | 64.0%† | – |
| Arena Search | Arena (LMArena) | – | 1197 |
| DeepResearch Bench | DeepResearch Bench | – | 45.2%† |
| METR Time Horizons | METR | 74.5%† | 63.6% |
| Vending-Bench 2 | Andon Labs | 5940.1† | – |
| AA-Briefcase v1.1 | Artificial Analysis | 868 | – |
| Design Arena Agentic | Design Arena | 1018† | – |
| BrowseComp-Plus | BrowseComp-Plus | – | 50.5% |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | – | 33.3%† |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | – | 83.9%† |
| MATH Level 5 | Epoch AI Benchmarking Hub | – | 97.8%† |
| AIME (Vals) | Vals AI | – | 85.3%† |
| MGSM | Vals AI | – | 91.8%† |
| IMO 2025 | MathArena | – | 16.7%† |
| Omni-MATH (HELM) | HELM Capabilities | – | 71.4% |
| MATH 500 | Vals AI | – | 94.6%† |
| Arena Maths | Arena (LMArena) | – | 1448 |
| AIME 2025 (AA) | Artificial Analysis | – | 88.3% |
| 知識 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | – | 49.4%† |
| MMLU-Pro | Vals AI | – | 85.6%† |
| LegalBench | Vals AI | – | 83.8%† |
| CorpFin | Vals AI | – | 59.7%† |
| TaxEval | Vals AI | – | 74.6%† |
| MedQA | Vals AI | – | 96.1%† |
| PRBench Finance | Scale AI SEAL | – | 47.7% |
| PRBench Legal | Scale AI SEAL | – | 48.6% |
| MultiNRC | Scale AI SEAL | – | 45.5%† |
| MMLU-Pro (HELM) | HELM Capabilities | – | 85.9% |
| MedCode | Vals AI | – | 47.3%† |
| MedScribe | Vals AI | – | 76.7%† |
| 指示追従 | |||
| IFBench | Artificial Analysis | 75.4% | 71.4% |
| MultiChallenge | Scale AI SEAL | – | 56.6%† |
| TutorBench | Scale AI SEAL | – | 52.1%† |
| IFEval (HELM) | HELM Capabilities | – | 86.9% |
| WildBench (HELM) | HELM Capabilities | – | 86.1% |
| Arena Instruction Following | Arena (LMArena) | – | 1403 |
| 人間の評価 | |||
| Arena Text | Arena (LMArena) | – | 1432 |
| EQ-Bench Creative Writing v3 | EQ-Bench | – | 1675 |
| Arena Creative Writing | Arena (LMArena) | – | 1383 |
| Arena Multi-turn | Arena (LMArena) | – | 1420 |
| Arena Longer Queries | Arena (LMArena) | – | 1411 |
| Lech Mazur Creative Writing | Lech Mazur | – | 83.9%† |
| マルチモーダル | |||
| Arena Vision | Arena (LMArena) | – | 1214 |
| MMMU-Pro | Artificial Analysis | 78.5% | 70.1% |
| VISTA | Scale AI SEAL | – | 50.1%† |
| MMMU-Pro (Vals) | Vals AI | – | 80.4%† |
| MortgageTax | Vals AI | – | 65.7%† |
| VTB | Scale AI SEAL | – | 13.7% |
| GeoBench | GeoBench | – | 60.0%† |
| VPCT | Epoch AI Benchmarking Hub | – | 52.0%† |
| 長文コンテキスト | |||
| Fiction.LiveBench 120k | Fiction.live | – | 100.0%† |
| AA-LCR v1.1 | Artificial Analysis | 83.3% | 74.7% |
| 総合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | – | 147.1 |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 32.5 | 20.2 |
| AA Progress Index v1 | Artificial Analysis | 301.3 | 258.3 |
| HELM Capabilities mean | HELM Capabilities | – | 81.1% |
| 安全性・誠実さ | |||
| FORTRESS | Scale AI SEAL | – | 16.0% |
| MASK | Scale AI SEAL | – | 84.5%† |
| PropensityBench | Scale AI SEAL | – | 10.5% |
| メタデータ | |||
| AA Openness Index | Artificial Analysis | – | 5.6 |
データは2026年11月16日時点。各モデルの最良の構成で比較しています。すべてのスコアの出典はモデルのページにリンクしています。
DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.
最近の変化
- o3:BenchLeader Index 61.2 → 60.4。
- o3:スコアの改訂1件。
- o3:新しい結果1件(Arena Search)。
- o3:スコアの改訂1件。
- GPT-5.3-Codex (xhigh):新しい結果1件(AA-Briefcase v1.1)。
- GPT-5.3-Codex (xhigh):新しい結果1件(AA Progress Index v1)。
- o3:新しい結果1件(AA Progress Index v1)。
- o3:スコアの改訂1件。
関連する比較
- GPT-5.3-Codex vs Claude Fable 5.2
- GPT-5.3-Codex vs Gemini 4 Carbon
- GPT-5.3-Codex vs Claude Opus 5.5
- GPT-5.3-Codex vs GPT-6 Astra
- o3 vs Claude Opus 5.5
- GPT-5.3-Codex vs Claude Fable 5.1
- GPT-5.3-Codex vs GPT-6.1 Sol
- GPT-5.3-Codex vs Claude Fable 5
ランキング: 総合ベストLLM · エージェントに最適なLLM · 安くて優秀なLLM
GPT-5.3-Codex vs o3:よくある質問
- GPT-5.3-Codexはo3より優れていますか?
- GPT-5.3-Codex (xhigh)とo3の品質は互角です(62.9 対 60.4、±7.7の誤差範囲内)。BenchLeader Indexは第三者による品質ベンチマークをすべて統合した指標です。2026年11月16日時点では両者の差は誤差範囲内なので、用途に合わせてカテゴリ別のスコアを確認してください。
- GPT-5.3-Codexとo3はどちらが安いですか?今後変わる予定はありますか?
- 現在はo3の方が安く、100万トークンあたり$3.50 対 $4.81です(出力1トークンにつき入力3トークンでブレンド)。どちらも価格変更は発表されていません。
- コーディングにはGPT-5.3-Codexとo3のどちらが向いていますか?
- コーディングではGPT-5.3-Codexの方がスコアが高くなっています(カテゴリ指標で61 対 60。50が平均)。
- GPT-5.3-Codexとo3はどちらが速いですか?
- o3の方が出力が約1.5倍速くなっています(出力131 対 94トークン/秒、Artificial Analysisの7日間の中央値)。
- エージェントやツール利用にはGPT-5.3-Codexとo3のどちらが向いていますか?
- エージェント型のタスクではGPT-5.3-Codexの方がスコアが高くなっています(カテゴリ指標で80 対 70。50が平均)。共通するエージェント・ツールベンチマークのうち最も重要なTerminal-Bench Hardでは、GPT-5.3-Codexが53.0%、o3が37.1%です。
ほかの質問(4件)
- 長い文書にはどちらが向いていますか?
- 長文コンテキストのベンチマークではGPT-5.3-Codexの方がスコアが高くなっています(66 対 62)。コンテキストはGPT-5.3-Codexの方が長く、400,000トークンです(o3は200,000トークン)。
- レイテンシが低いのはどちらですか?
- 先に回答を始めるのはo3です。Artificial Analysisの測定では、最初の回答トークンまで5.2秒 対 38.2秒です。この差の大部分は推論エフォートによるもので、設定が高いほど回答前に長く考えます。
- GPT-5.3-Codexとo3について、第三者ベンチマークの評価は一致していますか?
- 両方に結果がある9件のベンチマークのうち、GPT-5.3-Codexのリードが9件、o3のリードが0件です。
- GPT-5.3-Codexはいつリリースされましたか?
- GPT-5.3-Codexは2026年2月5日にリリースされました。